CVPRMay, 2021

交通异常检测的良好实践和强基准线

PDF
TL;DR本研究通过预处理、动态跟踪模块和后处理等环节，提出了一种简单而高效的交通异常检测方案，该方案使用视频稳定、背景建模和车辆检测等技术，能够快速精准地识别出交通异常点，在 NVIDIA AI CITY 2021 排行榜中名列第一。
traffic anomaliesintelligent city transportationpre-processingdynamic tracking modulepost-processing
发现论文，激发创造
  • 交通视频异常检测的高效方法

    本文提出了一种高效的边缘设备上运行的视频异常检测系统，包括变化检测、背景建模和目标检测模块以及回溯异常检测算法，同时还提出了一种顺序变化检测算法。实验结果表明，该方法在 2021 年 AI City Challenge 中取得了 0.9157 的 F1 分数并排名第四。

    Apr, 2021

  • MEDAVET: 基于车辆交通的空间和时间结构的交通车辆异常检测机制

    本篇论文通过计算机视觉建立车辆跟踪模型，用于检测高速公路上的交通异常，并提出了检测、跟踪和分析交通的步骤，具体包括从城市交通视频中检测车辆、使用双分图和凸包算法进行车辆跟踪，以及使用两种数据结构检测异常的起点和终点。实验结果显示该方法在 Track4 测试集上表现可接受，F1 分数为 85.7%，均方误差为 25.432。

    Oct, 2023

  • 交通视频中时间戳感知异常检测的挑战

    本文提出了一种三阶段管道模型，通过学习视频中的运动模式来检测视觉异常，并使用时间戳感知的异常检测算法将目标物体分类为异常，实验结果表明该方法能够有效检测交通路况视频中的时间戳感知异常。

    Jun, 2019

  • 基于深度学习和决策树的交通异常检测视觉系统

    本文提出一种决策树驱动的深度学习方法，通过智能交通监测系统从交通摄像头中快速精确地提取异常事件并估计其起止时间，并通过实验验证取得了 F1 score：0.8571 和 S4 score：0.5686。

    Apr, 2021

  • 第一人称视角视频的无监督交通事故检测

    本文提出了一种基于未监督学习的方法，通过预测交通参与者未来位置并监测三种不同策略的预测准确度和一致性来检测仪表板安装的摄像头视频中的交通事故。实验结果表明，该方法优于最先进的方法。

    Mar, 2019

  • 双模态车辆异常检测：基于双边轨迹追踪

    本文采用双模态模块化方法来检测异常车辆，并提出了一种包括背景建模、车辆跟踪检测、掩模构建、ROI 回溯和双模态跟踪的集成异常检测框架，该框架在自动驾驶领域的相应测试集上获得了较高的成功率。

    Jun, 2021

  • 基于生成模型的时间序列异常检测

    本研究提出了一种基于数据驱动生成方法的交通拥堵异常检测框架，通过对多变量时间序列的分布进行学习，结合空间 - 时间信息进行聚类和核密度估计，能够在无监督和稀疏的环境下实现交通异常的检测和分类，并在合成数据集上得到了显著的性能提升。

    Jun, 2022

  • Traffic-Net: 使用单个摄像头进行 3D 交通监控

    本研究提供了一个基于深度学习的实时交通监控平台，通过单个交通摄像头实现了车辆 / 行人检测、速度检测、轨迹估计、拥堵检测、以及车辆和行人交互的监测，同时使用短期和长期的时间视频数据流开发了分层交通模型解决方案，实现了对实际交通情况的监测。

    Sep, 2021

  • 针对行车记录仪视频的异常检测

    本文提出了一种基于深度学习的异常检测方法，通过数据集 RetroTrucks 以及静态摄像头数据集对单类分类损失和重构损失的应用，以及对象交互建模，实现对车载摄像头录像中不同驾驶行为的检测和识别。

    Apr, 2020

  • 视频中的延迟感知道路异常分割：一个逼真的数据集和新的度量指标

    通过使用合成数据，我们提供了第一个用于自动驾驶的视频异常分割数据集，其中包含 7 个不同城镇记录的 120,000 帧高分辨率图像，我们还提供了最新的监督和无监督的道路异常分割方法的基准测试，并专注于两个新的度量标准：时间一致性和延迟感知的流式准确性。

    Jan, 2024